12  Goplerud (2023)

Na apresentação da disciplina de survey, apresentei Goplerud (2023) [link]. O artigo mostra que modelos multinível completos (ou “profundos”), com muitos termos interativos e, portanto, muitos parâmetros a serem estimados, podem ser ajustados com alta velocidade utilizando inferência variacional. Além disso, Goplerud (2023) também compara a performance de modelos multinível frente a modelos de machine learning utilizando técnicas de ensemble. A apresentação completa pode ser encontrada neste link.

Goplerud, Max. 2023. “Re-Evaluating Machine Learning for MRP Given the Comparable Performance of (Deep) Hierarchical Models.” American Political Science Review, 1–8.